Fugu-MT 論文翻訳(概要): RetroDiff: Retrosynthesis as Multi-stage Distribution Interpolation

論文の概要: RetroDiff: Retrosynthesis as Multi-stage Distribution Interpolation

arxiv url: http://arxiv.org/abs/2311.14077v2
Date: Mon, 21 Jul 2025 02:14:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 20:51:31.603671
Title: RetroDiff: Retrosynthesis as Multi-stage Distribution Interpolation
Title（参考訳）: RetroDiff:多段階分布補間としての再合成
Authors: Yiming Wang, Yuxuan Song, Yiqun Wang, Minkai Xu, Rui Wang, Hao Zhou, Wei-Ying Ma,
Abstract要約: 再合成はグラフ・ツー・グラフ(G2G)生成タスクである。本稿では,レトロシンセシスタスクのための新しい拡散法であるRetroDiffを紹介する。
参考スコア（独自算出の注目度）: 31.834422310611625
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Retrosynthesis poses a key challenge in biopharmaceuticals, aiding chemists in finding appropriate reactant molecules for given product molecules. With reactants and products represented as 2D graphs, retrosynthesis constitutes a conditional graph-to-graph (G2G) generative task. Inspired by advancements in discrete diffusion models for graph generation, we aim to design a diffusion-based method to address this problem. However, integrating a diffusion-based G2G framework while retaining essential chemical reaction template information presents a notable challenge. Our key innovation involves a multi-stage diffusion process. We decompose the retrosynthesis procedure to first sample external groups from the dummy distribution given products, then generate external bonds to connect products and generated groups. Interestingly, this generation process mirrors the reverse of the widely adapted semi-template retrosynthesis workflow, \emph{i.e.} from reaction center identification to synthon completion. Based on these designs, we introduce Retrosynthesis Diffusion (RetroDiff), a novel diffusion-based method for the retrosynthesis task. Experimental results demonstrate that RetroDiff surpasses all semi-template methods in accuracy, and outperforms template-based and template-free methods in large-scale scenarios and molecular validity, respectively. Code: https://github.com/Alsace08/RetroDiff.
Abstract（参考訳）: 再合成は生薬学において重要な課題であり、化学者が与えられた生成物分子に適切な反応分子を見つけるのを助ける。 2Dグラフとして表される反応物や生成物により、レトロ合成は条件付きグラフ・トゥ・グラフ(G2G)生成タスクを構成する。グラフ生成のための離散拡散モデルの進歩に触発されて,この問題に対処する拡散法を設計することを目指す。しかし, 本質的な化学反応テンプレート情報を保持しつつ, 拡散型G2Gフレームワークを統合することは, 顕著な課題である。私たちの重要なイノベーションは、多段階拡散プロセスです。ダミー分布生成物から最初に外部基を採取し, 生成物と生成物を結合する外部結合を生成するために, 逆合成法を分解する。興味深いことに、この生成過程は、反応中心の同定から合成完了までの広く応用された半テンプレート逆合成ワークフローである \emph{i.e.} の逆を反映している。これらの設計に基づき, 再合成作業のための新しい拡散法であるRetro synthesis Diffusion (RetroDiff)を紹介する。実験により, RetroDiffは, 精度で全ての半テンプレート法を超越し, 大規模シナリオにおけるテンプレートベース法とテンプレートフリー法をそれぞれ上回り, 分子有効性を示した。コード:https://github.com/Alsace08/RetroDiff

関連論文リスト

Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [85.83359661628575]
拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
論文参考訳（メタデータ） (2025-06-19T17:14:22Z)
GDiffRetro: Retrosynthesis Prediction with Dual Graph Enhanced Molecular Representation and Diffusion Generation [12.425816520496697]
再合成予測は、標的生成物に作用する反応物質を同定することに焦点を当てる。 GDiffRetroは、元のグラフと対応する二重グラフを統合し、分子構造を表現する。反応生成のために、GDiffRetroは3次元の条件拡散モデルを使用し、得られたシンソンを完全な反応物質に変換する。
論文参考訳（メタデータ） (2025-01-14T10:44:38Z)
Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文参考訳（メタデータ） (2024-11-01T12:59:25Z)
UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
論文参考訳（メタデータ） (2024-03-25T03:23:03Z)
Retrosynthesis Prediction via Search in (Hyper) Graph [5.241472125982734]
特定の中核生成物から反応物を予測することは有機合成の基本的な課題である。我々は,これらの制約を緩和するためにtextbfSearch textbfin (Hyper) textbfGraph (RetroSiG) フレームワークを用いた半テンプレートベースの textbfRetro synthesis を提案する。
論文参考訳（メタデータ） (2024-02-09T20:25:45Z)
MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction [54.75583184356392]
本稿では,レトロシンセシス予測のための新しいエンドツーエンドグラフ生成モデルを提案する。反応中心を逐次同定し、合成子を生成し、合成子にモチーフを加えて反応子を生成する。ベンチマークデータセットの実験では、提案されたモデルが従来の最先端のアルゴリズムを大幅に上回っていることが示されている。
論文参考訳（メタデータ） (2022-09-27T06:29:35Z)
Modeling Diverse Chemical Reactions for Single-step Retrosynthesis via Discrete Latent Variables [43.900173434781905]
単段階の逆合成の目標は、1回の反応で標的生成物の合成に繋がる可能性のある反応物質を同定することである。既存の配列に基づくレトロ合成法は、生成物から反応物へのレトロ合成を配列から配列への翻訳問題として扱う。本稿では,条件付き変分オートエンコーダを1ステップの逆合成に組み込んだRetroDVCAEを提案する。
論文参考訳（メタデータ） (2022-08-10T14:50:32Z)
GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文参考訳（メタデータ） (2022-03-06T09:47:01Z)
Retroformer: Pushing the Limits of Interpretable End-to-end Retrosynthesis Transformer [15.722719721123054]
再合成予測は有機合成の基本的な課題の1つである。本稿では,レトロシンセシス予測のためのトランスフォーマーに基づく新しいアーキテクチャであるRetroformerを提案する。 Retroformerは、エンドツーエンドのテンプレートフリーレトロシンセシスのための新しい最先端の精度に達する。
論文参考訳（メタデータ） (2022-01-29T02:03:55Z)
RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。我々の方法はレトロシンセシスを2段階に分解する。最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文参考訳（メタデータ） (2020-11-04T04:35:34Z)
Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
再合成予測は有機合成の基本的な問題である。本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
論文参考訳（メタデータ） (2020-06-12T09:40:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。